Изследване на информационния поток от постеромедиалния кортекс по време на визуално-пространствената работна памет: Магнитоенцефалографско изследване, част 3

На последно място, ние взехме средния информационен поток между всяка двойка ROI през три функционално релевантни епохи, съответстващи на фазите на задачата за кодиране, поддръжка и извличане, и попитахме дали междупредметната променливост в информационния поток е свързана с променливостта в изпълнението на задачата.

В съвременното общество количеството информация, което получаваме, е безпрецедентно огромно. Всеки ден сме заобиколени от огромно количество информация, от съобщенията, които получаваме на мобилните си телефони, до новините и рекламите, които виждаме в социалните медии. по-голямата част от нашето време и внимание. В този случай е лесно да се почувстваме уморени, но средният информационен поток може да ни помогне да подобрим паметта си.

Първо, по-големият информационен поток ни позволява да упражняваме по-добре мозъка си. Когато продължаваме да получаваме нова информация и знания, нашите мозъци трябва непрекъснато да обработват и съхраняват тази информация, като по този начин увеличават тежестта върху мозъка. Тази работа е упражнение за мозъчната функция, което може да ни помогне да подобрим способността си да мислим и анализираме, за да се справяме по-добре със сложни ситуации. Точно както тялото се нуждае от упражнения, за да остане здраво, мозъкът се нуждае от постоянни предизвикателства, за да подобри способностите си.

Второ, повече информационен поток може да ни помогне да разширим хоризонтите си. Ако приемаме само ограничена информация, нашата визия ще бъде ограничена до малка област. И когато можем да получим повече информация, можем да научим за по-широк кръг от теми и неща. Това може да ни помогне да видим света по-пълно и да подобри нашето прозрение и преценка. Това ни помага да разберем по-добре различните култури и перспективи и по този начин да се адаптираме и интегрираме по-добре в сложни социални среди.

И накрая, средният информационен поток също може да стимулира нашето любопитство. Тъй като продължаваме да получаваме нова информация, се интересуваме от повече теми и области. Това може да стимулира нашето любопитство и желание за знания, като по този начин ни прави по-мотивирани да изследваме повече знания. Може да се види, че средният информационен поток може също да подобри нашето самоуправление и ентусиазъм.

Накратко, средният информационен поток може да ни помогне да подобрим мозъчната функция, да разширим хоризонтите си и да стимулираме любопитството си. Когато имаме по-добра памет, ще усвояваме по-лесно нови знания и умения и ще се справяме по-добре със сложни предизвикателства. Затова трябва активно да приемаме повече информация и да станем по-умни и по-гъвкави хора. Вижда се, че трябва да подобрим паметта и Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola е традиционен китайски лекарствен материал, който има много уникални ефекти, един от които е да подобрява паметта. Ефикасността на мляното месо идва от различните активни съставки, които съдържа, включително киселина, полизахариди, флавоноиди и др. Тези съставки могат да насърчат здравето на мозъка по различни начини.

Щракнете върху познайте начините да подобрите паметта си

Епохата на "кодиране" включваше първите 180 ms след началото на всеки от четирите кодиращи стимула, а епохата на "поддържане" включваше периода на поддържане от 180 ms след началото на четвъртия кодиращ стимул до най-ранното начало на стимула за извличане, и епохата на "връщане" съответства на началото на стимула за възстановяване до края на опита.

За участника с най-кратката продължителност на кодиращия стимул (180 ms), тези три епохи покриват първите 3440 ms от началото на опита; докато за участника с най-голяма продължителност на кодиращия стимул (320 ms), крайната епоха завършва на 4000 ms.

Сред участниците средното време за реакция е 1,99 s след началото на стимула за извличане (долни до горни квартили: 1,69–2,27 s), което означава, че епохата на "извличане" обхваща приблизително времето до отговора на участника.

През всяка от тези епохи, за всяка двойка ROI, ние осреднихме данни от времеви точки, за които имаше поне умерено доказателство за информационен поток (т.е. BF . 3, q, 0.05) в поне една посока между двойката ROI. Изключихме данни от оставащи времеви точки, за да сведем до минимум приноса на данни от моменти, когато е имало слаби или никакви доказателства за информационен поток между ROI.

Във всеки случай ние отчитаме средната разлика в информационния поток (DiffA.B) и линейната (на Pearson) корелация (r) между средната поведенческа ефективност на участниците по време на MEG сесията и средната разлика в информационния поток DiffA.B по време съответната епоха. Повторихме този анализ (среден DiffA.B и неговата корелация с поведението) за всяка от 10,000 извадки от bootstrappednull данни, което доведе до разпределение на 10,000 нулеви средни и r стойности.

Що се отнася до другите резултати, ние отчитаме централните 95% от тези нулеви стойности и използвахме това нулево разпределение, за да дефинираме p-стойностите, в този случай дефинирайки p-стойността като съотношението на нулевите средни или r стойности с по-голяма абсолютна стойност от наблюдаваната стойност (двустранен тест). Накрая приложихме FDR корекция към тези p стойности, за да коригираме множество сравнения през епохи и изчислихме BF за всяка средна стойност и корелация.

Наличност на данни. Данните от MEG експерименти са свободно достъпни онлайн от Open Science Framework (https://doi.org/10.17605/OSF.IO/MW3J2). Това онлайн хранилище включва деидентифицирани необработени данни от MEG експериментите, подробности за времето на стимула за всеки участник и кода MATLAB, използван за извършване на докладваните тук анализи.

Резултати

Класификационни анализи

Използвахме серия от класификационни анализи, за да тестваме времената, в които MEG сигналите в OC, VTC, PMC и PFC съдържаха информация за местоположението и изображението на всеки стимул по време на представянето на визуално-пространствената работна памет.

Декодирането на местоположението във всеки стимул е показано на Фигура 3, а декодирането на изображението на всяко място е показано на Фигура 4. Декодирането на местоположението на стимула беше по-високо от декодирането на идентичността на стимула; но за декодирането както на местоположението, така и на идентичността имаше доказателства на периоди на декодиране с висока вероятност на всеки стимул във всички ROI.

За декодиране на местоположението на стимула открихме периоди на декодиране с висока вероятност на местоположението и идентичността за всеки от четирите кодиращи стимула, както и стимула за извличане въз основа на сигнали от OC, VTC, PMC или PFC [q, 0.05 , с FDR корекция за множество сравнения във времеви интервали, включително умерени (BF .3) и силни (BF .10) ефекти]. За декодиране на идентичността на изображението на стимула (Фиг. 4) открихме по-слабо представяне на класификатора като цяло, като пропорцията коригира с порядък по-ниска от тази за местоположението на декодиране. Въпреки по-ниската обща точност, статистическите анализи показват, че декодирането на всяка идентичност на стимула е значително над шанса за някои времеви точки във всички ROI.

Във всички ROI, декодирането на местоположението и идентичността на стимула следва подобна еволюция във времето, с първоначален пик, след това затихване, в съответствие със сигналите, управлявани основно от визуалния отговор на стимула. Очаквахме информацията за стимула в OC да предхожда тази в други ROI, но ранните пикове в декодирането в OC, VTC и PMC се случиха приблизително по едно и също време. Това предполага, че може да има известно „изтичане на сигнал“ между ROI в нашата локализация на източника (ние се връщаме към този въпрос, когато разглеждаме резултатите от IFA по-долу). Независимо от това, разликите между ROI предполагат, че тези анализи също са уловили сигнали, които не се припокриват в ROI . Например, за декодиране на местоположението на стимула, относителната точност при;100 ms спрямо;300 ms след началото на съответния стимул варира в ROI.

На фигури 3A–D и 4A–D има тенденция да има кратък период на декодиране с над шанс по време на обработката на стимула за извличане. Това може да отразява някакъв нервен процес, сравняващ стимула за извличане със запомнените местоположения и идентичности, особено когато това продължава до по-късно (напр. 300 ms) след началото на стимула за извличане.

Не можем обаче да изключим, че декодирането в тези моменти може да бъде управлявано от невронния отговор на стимула за извличане, ако има лек дисбаланс в балансирането на опитите. Например, кратките периоди на декодиране с над шанс преди началото на съответния стимул (напр. около времето на първия кодиращ стимул на фигури 3B–E и 4B–E) очевидно не могат да бъдат управлявани от отговор на декодирания стимул.

Това може да е възникнало, тъй като всеки опит е дефиниран да включва четири различни местоположения и четири различни самоличности по време на кодирането; така, например, декодирането на Местоположение 1 спрямо Местоположение 3 за кодиране на Стимул 2 е еквивалентно на декодиране на "не Местоположение 1" срещу "не Местоположение 3" за други кодиращи стимули. Така или иначе, нашите резултати предполагат, че сигналите, базирани на запомнени местоположения на стимули или идентичности, са много слаби в сравнение със стабилните сигнали, включващи визуално управлявания отговор.

АКО

След това разгледахме причинно-следствените взаимодействия на Грейнджър между всяка двойка ROI, използвайки IFA. Дори когато производителността на класификатора е ниска, като цяло може да има малки, истински сигнали, които водят до разлики в модела на производителност на класификатора в множеството различни класификации по двойки за всеки интервал от време. Въпреки това, за да гарантираме, че нашите измервания на информационния поток не са водени от никакви фалшиви ефекти, ние извършихме този анализ, използвайки класификации само на най-скорошния стимул за всяка пробна епоха (вижте Материали и методи).

IFA специално тества за разлики между ROI и времевата структура на тези разлики, което го прави потенциално по-чувствителен от средното представяне на класификатора за откриване на разлики между ROI. Резултатите от нашите IFAs между PMC и всички други ROI са показани на Фигура 5, с взаимодействия между останалите ROI, показани на Фигура 6.

IFAs разкриват периоди на значителни Granger-каузални взаимодействия между всяка двойка ROI [q, 0.05, с FDR корекция, включително времена на умерени (BF .3) и силни (BF .10) ефекти] във всички пробни фази (кодиране, поддръжка и извличане).

Информационните потоци (най-горните диаграми във всеки случай за Фигури 5 и 6) бяха най-силни във всяка посока близо до периоди на по-висока производителност на класификатора; но в рамките на всяка двойка ROI, относителната сила на всяка ROI при влияние върху другата варира с течение на времето, както е отразено в графиките на разликата. Когато OC беше съчетан с която и да е друга ROI, информационният поток от OC имаше тенденция да бъде по-висок от информационния поток към OC веднага след всяко начало на стимула, в съответствие с отговор, управляван от стимул.

Това беше особено ясно изразено за епохата на кодиране, където средната разлика в информационния поток между OC и всяка друга ROI (ср. DiffOC. ) варира от {{0}}.094 до 0. 127, а BF посочи поредица от силни ефекти в полза на по-голям информационен поток от OC към другата област (q, 0,05, BF . 10 във всеки случай). Имаше и умерен ефект на информационен поток от OC към PMC, надвишаващ обратната посока по време на поддръжка (ср. DiffOC.PMC=0.042, q, 0.05, BF=3.19).

Бяхме особено заинтересувани дали има доказателства за информационен поток от PMC, оформящи отговори в други области. Най-силното доказателство за това беше между PMC и PFC. Средният информационен поток от PMC към PFC имаше тенденция да надвишава обратната посока през всички епохи, със силен ефект по време на кодиране (ср. DiffPMC.PFC {{0}}.056, q, 0.05, BF=18.70) и умерено ефект по време на поддръжката (ср. DiffPMC.PFC=0.025,q, 0.05, BF=7.33), но това отклонение не е достигнало значимост по време на извличането (ср. DiffPMC.PFC=0. 014, q. 0.05, BF=0.77). Времевите курсове на Фигура 5C показват, че във всички пробни епохи информационният поток от PMC към PFC е бил най-силен около времето на ранния отговор, управляван от стимула, на всеки стимул. С OC, PMC показа доказателства за по-голям информационен поток в последната част от епохата на извличане (фиг. 5A). Осреднено през епохата на извличане, тази разлика беше отклонена към PMC, управляваща OC, но това беше малък ефект (ср. DiffPMC.PFC=0.029, q, 0.05, BF=1.59).

В останалите ROI двойки единствените случаи с умерен или по-голям ефект (BF . 3) са между VT и PFC (фиг. 6C), по време на кодиране (ср. DiffVT.PFC=0.057, q , 0.05, BF=4.00) и извличане (ср. DiffVT.PFC=0.040, q, 0.05, BF=57.79) . Що се отнася до OC, времената, в които VT доминира информационния поток с PFC, са в съответствие с ранния отговор, управляван от стимул (напр. сравнете времената на доминиране на VT на Фиг. 6C и OC на Фиг. 6B). Като цяло имаше малко доказателства за доминиране на PFC в информационния поток към други области.

И накрая, за всяка пробна епоха ние корелирахме средния информационен поток между всяка двойка ROI с поведенческата точност между участниците. Нито една от тези корелации не достигна статистическа значимост, веднъж коригирана за множество сравнения, и нито една корелация не достигна нивото на умерен ефект (BF . 3). Това предполага, че нашият относително малък размер на извадката е бил недостатъчен за откриване на каквато и да е предсказваща сила на информационния поток за изпълнение на задачата. Въпреки това, ние вярваме, че подобни корелации могат да бъдат плодотворна посока за бъдещи изследвания, възприемащи тези методи, така че включваме тези предварителни резултати като справка за бъдеща работа.

Дискусия

Въпреки демонстрираната важност на PMC по време на извличане на паметта, причинно-следственото влияние на PMC върху други региони остава неясно. По-конкретно, посоката и съдържанието на обмен на информация между PMC и други области на мозъка по време на процесите на паметта не са тествани. Тук използвахме MEG записи от дефинирани от MRI ROI, за да оценим информационния поток между PMC и други региони по време на задача за визуално-пространствена работна памет. Резултатите предполагат, че представянето на PMC обекти показва причинно-следствено влияние на Грейнджър върху информацията за стимула в други региони, най-вече във влиянието му върху PFC във всички фази на задачата. Имаше и предположението, че PMC оформя отговорите в OC по време на извличане.

PMC оформя представянето на стимула в префронталните области

Нашето най-удивително откритие се отнася до влиянието на PMC върху запомнената информация за стимула в PFC. Във всички фази на задачата потокът от информация от PMC към PFC има тенденция да бъде по-доминиращ от обратната посока. Тъй като нашата мярка за информационния поток се основава на ефективността на класификацията, а не на амплитудата на реакцията, това откритие предполага, че информацията, свързана със стимула в PMC, е била предсказваща представянето на стимул, който е бил на път да се появи в PFC. Това беше най-очевидно във фазите на кодиране и поддръжка; въпреки това беше установено също, че PMC оформя отговорите в PFC по време на фазата на извличане. Фактът, че този ефект се е появил малко след началото на стимула за извличане, резонира с PMC, предаваща информация, на която се основава решението на участника, към PFC, за да подпомогне успешното извикване.

Префронталните региони са надеждно замесени в контрола на вниманието и гъвкавото кодиране на информация, свързана със задачите (Duncan, 2010; Freedman и Assad, 2016). Моделите на анатомична свързаност между хипокампуса и фронталните зрително-окуломоторни системи (т.е. дорзолатералната PFC и фронталните очни полета) (Shen et al., 2016) предполагат, че фронталните региони са особено добре разположени за интегриране на информация от визуалната памет за насочване на поведението (Contiand Irish, 2021 ). Фронтопариеталните области, замесени в контрола на вниманието, също участват в работната памет, особено по време на периодите на кодиране и поддръжка (Gazzaley and Nobre, 2012). Освен това е известно, че префронталните региони предизвикват промени в зрителния кортекс; например микростимулацията на фронталните очни полета води до промени в зрителната кора в съответствие с изместването на вниманието (Moore et al., 2003; Premereuret al., 2013).

Нашите резултати предполагат, че PMC оформя префронтални репрезентации на запомнена визуално-пространствена информация по време на изпълнение на задачата и включително началото на периода на извличане. Предишна работа с fMRI демонстрира повишено фронтопариетално активиране по време на кодиране и поддръжка, независимо дали извличането е необходимо или не, докато задният цингуларен кортекс показва модели на реакция, съответстващи на роля в извличането (Rahm et al., 2014). Функционалната свързаност между PMC и префронталните региони, като вентромедиалният PFC, придава допълнителна подкрепа на значението на фронтопариеталното свързване по време на епизодично извличане (за преглед вижте Andrews-Hanna, 2012; Ritchey и Cooper, 2020). Нашите открития разширяват предишната работа, като предполагат, че този наблюдаван модел на свързаност включва PMC, влияещ върху информацията, свързана със задачите, в префронталните мрежи.

Както при всяка корелация, нашите частични корелации в IFA може да отразяват асоциации с друга (нетествана) област. Друга възможност е нашите ROI да не са били напълно изолирани по време на реконструкцията на източника и да са включени сигнали от близки региони. Ако PMC сигналите присъстват в PFC ROI или обратното, това би увеличило споделената вариация между ROI. Споделената вариация може да намали степента, до която сигналите в една ROI допринасят за информация по-горе, която вече присъства в другата ROI, което може да намали измерената информация поток.

PMC влияе на ранния сензорен кортекс по време на извличане

Нашите резултати допълнително предполагат, че по време на извличането, PMC оформя реакциите в сензорния кортекс. Във всички фази на задачата и за всяко сдвояване на ROI, OC имаше тенденция да доминира в информационния поток, влияейки на други региони повече, отколкото беше повлиян от тези региони, в съответствие с визуалния характер на задачата. Въпреки това, доминирането на OC в нашите мерки за информационен поток може да е било усилено от наблюдаваното общо преходно представяне на класификатора. Във всички ROI декодирането с по-голяма вероятност беше до голяма степен ограничено до кратки епохи след представянето на стимула, което предполага, че всяко невронно представяне на поддържаната информация има минимален принос за ефективността на класификатора. За отбелязване е, че открихме някои доказателства за значителен информационен поток от PMC към OC в последния част от периода на извличане (BF=1.59). Остава неясно дали този информационен поток е функционално релевантен. Всяко функционално влияние на PMC върху OC трябва да бъде медиирано от индиректни връзки, тъй като няма директни проекции между PMC и първичните сензомоторни региони (Parvizi et al., 2006; Leech and Smallwood, 2019). Кандидатите за индиректни пътища, чрез които PMC може да повлияе на тилната област, включват теменните- медиален темпорален път, за който се предполага, че допринася за визуално-пространствената обработка (Kravitz et al., 2011).

Последици за разбиране на функцията на PMC

Като цяло нашите резултати предполагат, че PMC има специфична роля при предаването на информация, свързана със стимули, към други региони. Тогава възниква въпросът какво точно прави ЧВК. Докато нашите резултати предполагат насоченост на влиянието на PMC върху други мозъчни региони, точната функция на PMC в този контекст остава неясна. PMC представлява един от основните центрове на мозъчната мрежа в режим по подразбиране, дефинирана от неговия профил на отговор „отрицателен за задачата“ (Buckner et al., 2005). Въпреки това, ние демонстрираме тук, че PMC не показва прост отрицателен принос към визуално-пространствената памет. Ангажирането на PMC по време на кодиране и поддръжка е свързано с по-лошо изпълнение на задачите (Piccoliet al., 2015; Santangelo and Bordier, 2019), но PMC „обръщане на кодиране/извличане“ предполага, че повишената активност по време на извличане е свързана с по-добро припомняне (Daselaar et al., 2004 г., 2009 г.). Въпреки че самата активност може да отразява неспецифични за съдържанието приноси, нашите измервания на представяния на стимули, използвайки ефективността на класификатора, предполагат, че PMC активно оформя представяния на информация, свързана със стимули, в други региони по време на изпълнение на задачата. Съответно, PMC не е ангажиран с обработката на чисто външни сензорни стимули но участва активно в представянето на вътрешно съдържание, включително запомнена информация (Leech and Smallwood, 2019). Нашето проучване обаче не беше достатъчно мощно, за да очертае как информационният поток между PMC и други области на мозъка предсказва точността на поведението и ние предполагаме, че това ще бъде критичен път за изследване в бъдеща работа.

Бъдещи насоки

Като първото проучване, доколкото ни е известно, за изследване на обмена на информация, свързана със стимули, между PMC и други региони, нашето проучване повдига няколко посоки за бъдещи изследвания. Въпреки че тук се съсредоточихме върху четири априорни ROI и използвахме сравнително малък размер на извадката, ще бъде важно да картографираме изчерпателно потока от информация между PMC и други области на мозъка по време на визуално-пространствената памет с по-големи кохорти от участници. Методи, разрешени във времето, като MEG/EEG , може също да бъде допълнен с методи за изобразяване, като fMRI, за тестване на по-фини парцелации в тези региони.

Имахме ниско цялостно декодиране по време на поддръжката и следователно ограничена способност за откриване на информационния поток по време на тази фаза на задачата. Избрахме визуално подобни стимули, за да увеличим трудността на задачата и да намалим словесното етикетиране. Това обаче може да е намалило производителността на класификатора за идентичността на задачата. Декодирането беше по-високо за местоположението на стимула, където ретинотопната организация на зрителните кортикални зони би довела до разлики в реакцията в по-голям пространствен мащаб, но дори и за местоположения, извън отговора, предизвикан от стимул, открихме малко доказателства за декодиране въз основа на запомнени стойности. Обратно, при декодиране на ЕЕГ сигнали по време на по-проста задача за визуална памет, Bocincova и Johnson (2019) съобщават за декодиране с по-висок шанс на стимули по време на период на забавяне, макар и по-слаб, отколкото по време на кодиране. По този начин, докато високата трудност на задачите изглежда необходима за изолиране на специфичната роля на PMC (Kochanet al., 2011; Leech et al., 2011; Vannini et al., 2011), една по-малко взискателна задача може да доведе до по-добра производителност на класификатора, за по-добро откриване на информационни потоци във всички фази на задачата.

Усилията за очертаване на функционалното значение на субрегионите на PMC могат също така да предложат решаваща представа за ранната и точна диагностика на болестта на Алцхаймер (Buckner et al., 2005; Xia et al., 2014; Wu et al., 2016; Khan et al., 2020 ). Появяващи се доказателства сочат, че здрави млади възрастни, носещи алел APOE-«4, проявяват неефективност, модулираща активността на PMC по време на работната памет и възприятие на сцената (но не лице и обект) (напр. Shineet al., 2015), докато функционалното дезактивиране на PMC по време на визуално-пространствената работна памет представянето е предсказващо последващо когнитивен спад при по-възрастни хора с леко когнитивно увреждане (Kochan et al., 2011).

Като се има предвид, че визуално-пространствената дисфункция поради дисфункция на PMC е предложена като ранен предвестник на болестта на Алцхаймер (Pihlajamäki et al., 2010; Irish et al., 2012; Salimi et al., 2018), бъдещите проучвания, изследващи функционалните промени в PMC, могат да подобрят ранно идентифициране на лица, изложени на риск от деменция.

Препратки

Andrews-Hanna JR (2012) Мрежата по подразбиране на мозъка и нейната адаптивна роля във вътрешното мислене. Невролог 18: 251–270.

Benjamini Y, Hochberg Y (1995) Контролиране на степента на фалшиви открития: практичен и мощен подход към множество тестове. JR Stat Soc Ser BMethodol 57: 289–300.

Bird CM, Keidel JL, Ing LP, Horner AJ, Burgess N (2015) Консолидация на сложни събития чрез възстановяване в задната част на кортекса на зъбния мозък. J Neurosci 35: 14426–14434.

Bocincova A, Johnson JS (2019) Времевият ход на кодиране и поддръжка на релевантни за задачата спрямо нерелевантни обектни характеристики в работната памет. Cortex 111: 196–209.

Брейнард Д.Х. (1997) Кутията с инструменти на психофизиката. Спат Вис 10:433–436.

Buckner RL, Snyder AZ, Shannon BJ, LaRossa G, Sachs R, Fotenos AF, Sheline YI, Klunk WE, Mathis CA, Morris JC, Mintun MA (2005) Молекулярна, структурна и функционална характеристика на болестта на Алцхаймер: доказателство за връзка между активността по подразбиране, амилоида и паметта. J Neurosci 25:7709–7717.

Bzdok D, Heeger A, Langner R, Laird AR, Fox PT, Palomero-Gallagher N, Vogt BA, Zilles K, Eickhoff SB (2015) Субспециализация в човешкия заден медиален кортекс. Neuroimage 106: 55–71.

Canolty RT, Edwards E, Dalal SS, Soltani M, Nagarajan SS, Kirsch HE, Berger MS, Barbaro NM, Knight RT (2006) Високата гама мощност е фазово заключена към тета колебанията в човешкия неокортекс. Наука 313: 1626–1628.

Conti F, Irish M (2021) Използване на визуални изображения и окуломоторно поведение за разбиране на проспекцията. Тенденции Cogn Sci 25: 272–283.

Cooper RA, Ritchey M (2019) Кортико-хипокампалните мрежови връзки поддържат многоизмерното качество на епизодичната памет. Elife 8:e45591.

Dale AM, Fischl B, Sereno MI (1999) Базиран на кортикална повърхност анализ: I. Сегментация и повърхностна реконструкция. Neuroimage 9: 179–194.

Daselaar SM, Prince SE, Cabeza R (2004) Когато по-малко означава повече: деактивации по време на кодиране, които предвиждат последваща памет. Neuroimage 23: 921–927.

For more information:1950477648nn@gmail.com